SelectFdr#
- class sklearn.feature_selection.SelectFdr(score_func=<function f_classif>, *, alpha=0.05)[原始碼]#
篩選器：選擇估計錯誤發現率的 p 值。
這使用 Benjamini-Hochberg 程序。
alpha是預期錯誤發現率的上限。在使用者指南中閱讀更多內容。
- 參數:
- score_func可調用函數，預設值=f_classif
接收兩個陣列 X 和 y，並返回一對陣列 (scores, pvalues) 的函數。預設值為 f_classif（請參閱下方的「另請參閱」）。預設函數僅適用於分類任務。
- alpha浮點數，預設值=5e-2
要保留的特徵的最高未校正 p 值。
- 屬性:
另請參閱
f_classif用於分類任務的標籤/特徵之間的 ANOVA F 值。
mutual_info_classif用於離散目標的互信息。
chi2用於分類任務的非負特徵的卡方統計量。
f_regression用於回歸任務的標籤/特徵之間的 F 值。
mutual_info_regression用於連續目標的互信息。
SelectPercentile根據最高分數的百分位數選擇特徵。
SelectKBest根據 k 個最高分數選擇特徵。
SelectFpr根據錯誤肯定率測試選擇特徵。
SelectFwe根據家庭錯誤率選擇特徵。
GenericUnivariateSelect具有可配置模式的單變量特徵選擇器。
參考文獻
https://en.wikipedia.org/wiki/False_discovery_rate
範例
>>> from sklearn.datasets import load_breast_cancer >>> from sklearn.feature_selection import SelectFdr, chi2 >>> X, y = load_breast_cancer(return_X_y=True) >>> X.shape (569, 30) >>> X_new = SelectFdr(chi2, alpha=0.01).fit_transform(X, y) >>> X_new.shape (569, 16)
- fit(X, y=None)[原始碼]#
在 (X, y) 上執行評分函數並取得適當的特徵。
- 參數:
- X形狀為 (n_samples, n_features) 的類陣列
訓練輸入樣本。
- y形狀為 (n_samples,) 或 None 的類陣列
目標值（分類中的類別標籤，回歸中的實數）。如果選擇器是無監督的，則
y可以設定為None。
- 返回:
- self物件
返回實例本身。
- fit_transform(X, y=None, **fit_params)[原始碼]#
將資料擬合，然後轉換。
使用可選參數
fit_params將轉換器擬合到X和y，並返回X的轉換版本。- 參數:
- X形狀為 (n_samples, n_features) 的類陣列
輸入樣本。
- y形狀為 (n_samples,) 或 (n_samples, n_outputs) 的類陣列，預設值=None
目標值（無監督轉換則為 None）。
- **fit_params字典
其他擬合參數。
- 返回:
- X_new形狀為 (n_samples, n_features_new) 的 ndarray 陣列
已轉換的陣列。
- get_feature_names_out(input_features=None)[原始碼]#
根據選定的特徵遮罩特徵名稱。
- 參數:
- input_features字串或 None 的類陣列，預設值=None
輸入特徵。
如果
input_features為None，則使用feature_names_in_作為輸入特徵名稱。如果未定義feature_names_in_，則會產生以下輸入特徵名稱：["x0", "x1", ..., "x(n_features_in_ - 1)"]。如果
input_features是類陣列，則如果已定義feature_names_in_，input_features必須與feature_names_in_相符。
- 返回:
- feature_names_out字串物件的 ndarray
已轉換的特徵名稱。
- get_metadata_routing()[原始碼]#
取得此物件的中繼資料路由。
請檢查使用者指南，瞭解路由機制如何運作。
- 返回:
- routingMetadataRequest
封裝路由資訊的
MetadataRequest。
- get_params(deep=True)[原始碼]#
取得此估計器的參數。
- 參數:
- deep布林值，預設值=True
如果為 True，則會返回此估計器和所包含的子物件（屬於估計器）的參數。
- 返回:
- params字典
參數名稱對應到其值。
- get_support(indices=False)[原始碼]#
取得所選特徵的遮罩或整數索引。
- 參數:
- indices布林值，預設值=False
如果為 True，則返回值會是整數陣列，而不是布林遮罩。
- 返回:
- support陣列
一個索引，用於從特徵向量中選取保留的特徵。如果
indices為 False，這會是一個形狀為 [# 輸入特徵] 的布林陣列，其中一個元素為 True 代表其對應的特徵被選取保留。如果indices為 True，這會是一個形狀為 [# 輸出特徵] 的整數陣列，其值是輸入特徵向量的索引。
- inverse_transform(X)[原始碼]#
反轉轉換操作。
- 參數:
- X形狀為 [n_samples, n_selected_features] 的陣列
輸入的樣本。
- 返回:
- X_r形狀為 [n_samples, n_original_features] 的陣列
X，其中插入了由transform移除的特徵所在的零值欄位。
- set_output(*, transform=None)[原始碼]#
設定輸出容器。
請參閱 介紹 set_output API，以了解如何使用此 API 的範例。
- 參數:
- transform{"default", "pandas", "polars"}, 預設為 None
設定
transform和fit_transform的輸出。"default"：轉換器的預設輸出格式"pandas"：DataFrame 輸出"polars"：Polars 輸出None：轉換設定保持不變
1.4 版新增：已加入
"polars"選項。
- 返回:
- self估計器實例
估計器實例。